多特征融合的兴趣点推荐算法

• 作者: 涂飞
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 位置社交网络 兴趣点推荐 主题模型 困惑度 稀疏性 聚集性 协同过滤 特征融合
• 年，卷（期）: 2019,（4）
• 页码范围: 779-786
• 页数: 8页
• 分类号: TP391.9
• 字数: 6433字
• 语种: 中文
• DOI: 10.11992/tis.201801048

摘要

基于位置社交网络的兴趣点推荐越来越受到工业界和学术界的关注.由于用户签到数据集的稀疏性以及签到地理位置的聚集性,使得目前的推荐算法效率普遍不高,特别是当用户外出到新的地点时,推荐效果更是急剧下降.因此本文提出了一种基于用户-区域-内容主题的多特征联合推荐算法(UCRTM),以隐主题模型为基础,在统一的框架下利用隐含因子关联性融合了用户的偏好、兴趣点的内容以及兴趣点所属地理区域主题等信息来进行推荐,使得用户无论身处何地,都能获得理想的推荐服务.本文在两种真实的数据集上进行了实验,结果表明该方法不仅能够克服数据的稀疏性以及弱语义性等问题,而且与其他方法相比具有更高的推荐准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	涂飞	重庆理工大学计算机科学与技术学院	13	48	4.0	6.0